基于網(wǎng)絡(luò)社區(qū)的協(xié)同過濾推薦方法技術(shù)

本發(fā)明專利技術(shù)公開了一種基于網(wǎng)絡(luò)社區(qū)的協(xié)同過濾推薦方法，主要解決現(xiàn)有技術(shù)在獲得用戶之間相似度數(shù)據(jù)時存在稀疏性，造成推薦準(zhǔn)確率低的問題。其實現(xiàn)步驟是：獲取用戶對待推薦項目的評分信息，并利用用戶對待推薦項目的評分?jǐn)?shù)據(jù)間接生成用戶與用戶之間的關(guān)系網(wǎng)絡(luò)；計算用戶之間的相似度；通過基于相似度的社區(qū)檢測將用戶關(guān)系網(wǎng)絡(luò)劃分成若干個用戶社區(qū)；選取用戶所在社區(qū)內(nèi)相似度最大的k個用戶組成近鄰用戶集合，根據(jù)近鄰用戶集合對目標(biāo)用戶未評分的項目進行預(yù)測評分；將評分預(yù)測值中最大的項目推薦給用戶。仿真實驗結(jié)果表明，本發(fā)明專利技術(shù)比傳統(tǒng)協(xié)同過濾推薦方法能得到更好的推薦結(jié)果，可用于向用戶推薦用戶感興趣的項目。

【技術(shù)實現(xiàn)步驟摘要】

本專利技術(shù)涉及社會網(wǎng)絡(luò)
，具體涉及一種基于網(wǎng)絡(luò)社區(qū)的協(xié)同過濾推薦方法。
技術(shù)介紹
近些年，隨著現(xiàn)實生活中計算機網(wǎng)絡(luò)技術(shù)的出現(xiàn)和逐漸普及，個性化服務(wù)已成為一種新的信息服務(wù)模式，其中推薦技術(shù)是個性化服務(wù)中一個重要的組成部分。個性化推薦是指根據(jù)用戶的興趣愛好對用戶信息進行收集、過濾、分類，找到用戶感興趣的項目或信息并將其推薦給用戶的技術(shù)。個性化推薦應(yīng)用日益廣泛，應(yīng)用領(lǐng)域涉及電子商務(wù)，網(wǎng)頁，電影，圖書，音樂等多個方面。如一些電子商務(wù)網(wǎng)站通過收集和分析用戶的購買歷史，預(yù)測用戶可能感興趣的商品并將其推薦給用戶，從而提高了銷售業(yè)務(wù)，又如搜索引擎通過分析用戶瀏覽網(wǎng)頁的歷史行為，對網(wǎng)頁進行分類和排序，進而向用戶推薦更精準(zhǔn)的信息等。目前推薦技術(shù)主要分為基于內(nèi)容的推薦技術(shù)和基于協(xié)同過濾的推薦技術(shù)兩大類。傳統(tǒng)基于內(nèi)容的推薦方法通過收集項目的內(nèi)容或?qū)傩孕畔⒌忍卣饕蛩?依據(jù)用戶信息與對應(yīng)項目的匹配程度，推薦具有相似屬性的項目而不考慮歷史評分。基于協(xié)同過濾的推薦方法則通過收集用戶的評分信息,計算出用戶與用戶之間的相似度，并通過獲得原用戶相似度較高的用戶對項目的偏好，來預(yù)測原用戶對項目的偏好。相比于基于內(nèi)容的推薦技術(shù)，協(xié)同過濾技術(shù)無需獲得對象的信息，可以在缺乏對象內(nèi)容描述的情況下進行推薦。協(xié)同過濾推薦技術(shù)廣泛應(yīng)用于推薦系統(tǒng)中，然而其同樣存在數(shù)據(jù)稀疏性等問題。所謂數(shù)據(jù)稀疏性問題是指在一個推薦系統(tǒng)中，用戶的數(shù)量通常遠(yuǎn)小于項目的數(shù)量，很多用r>戶對項目的評價數(shù)據(jù)較少，造成了協(xié)同過濾技術(shù)對于數(shù)據(jù)的缺乏，最終影響推薦系統(tǒng)的準(zhǔn)確性。隨著網(wǎng)絡(luò)技術(shù)特別是Facebook、人人網(wǎng)等社交網(wǎng)站的興起，社會網(wǎng)絡(luò)逐漸成為復(fù)雜網(wǎng)絡(luò)領(lǐng)域的研究熱點。社會網(wǎng)絡(luò)以個人為節(jié)點構(gòu)成社會結(jié)構(gòu)，人與人之間通過相互作用的關(guān)系聯(lián)結(jié)起來。相互作用的關(guān)系包括友誼、利益關(guān)系、宗教信仰等等。根據(jù)大量的研究發(fā)現(xiàn)，在許多社會網(wǎng)絡(luò)中都有一個典型的特征結(jié)構(gòu)——社區(qū)結(jié)構(gòu)，即一個復(fù)雜網(wǎng)絡(luò)可以劃分成若干社區(qū)。通常認(rèn)為，一個明顯的社區(qū)結(jié)構(gòu)要求社區(qū)內(nèi)的節(jié)點連接相對緊密，社區(qū)間的節(jié)點連接相對稀疏。同一社區(qū)內(nèi)的點往往具有相似的性質(zhì)，檢測這些具有相似性質(zhì)的社區(qū)可以提供重要信息，有助于理解和推測網(wǎng)絡(luò)的結(jié)構(gòu)和個體之間的關(guān)系。通常一個社會網(wǎng)絡(luò)可以建模為G=（V，E）模型，其中V表示一組節(jié)點或頂點，E表示一個鏈接的集合，稱為邊集，用于連接任意兩個節(jié)點。傳統(tǒng)的社區(qū)結(jié)構(gòu)檢測方法主要分為基于圖分割的方法和基于層次聚類的方法。基于圖分割的方法是將網(wǎng)絡(luò)以圖形形式劃分成若干個子集，同時要求各子集間連接邊盡可能少。然而這種方法通常對劃分社區(qū)的個數(shù)有明確的限制。基于層次聚類的方法則是通過不同方法建立預(yù)定義啟發(fā)規(guī)則，這類方法通常能夠較快速的獲得社區(qū)結(jié)構(gòu)，但對于不同類型的網(wǎng)絡(luò)劃分結(jié)果差異較大。
技術(shù)實現(xiàn)思路
本次專利技術(shù)的目的在于針對上述已有技術(shù)的不足，提出一種基于相似度的社區(qū)檢測方法,以有效解決數(shù)據(jù)稀疏性問題，提高推薦效率。實現(xiàn)本專利技術(shù)目的，本專利技術(shù)的技術(shù)方案包括如下步驟：1.一種基于網(wǎng)絡(luò)社區(qū)的協(xié)同過濾推薦方法，包括如下步驟：（1）獲取用戶對待推薦項目的評分信息，通過用戶對待推薦項目的評分?jǐn)?shù)據(jù)間接生成用戶與用戶之間的關(guān)系網(wǎng)絡(luò)，其中任意兩個用戶共同評分的項目個數(shù)表示這兩個用戶之間的權(quán)值關(guān)系，這些用戶之間的權(quán)值關(guān)系構(gòu)成用戶與用戶的關(guān)系網(wǎng)絡(luò)，用戶對項目的評分信息用矩陣R(m,n)表示為：R(m,n)=r11,r12...,r1j...,r1n......ri1,ri2...,rij...,rin......rm1,rm2...,rmj...,rmn,]]>其中m和n分別表示用戶數(shù)和項目數(shù)，rij表示矩陣中第i行第j列的元素用戶i對項目j的評分值；（2）通過用戶之間的關(guān)系網(wǎng)絡(luò)，計算任意兩個用戶u和v之間的相似度s(u,v)；（3）將獲得的用戶與用戶的關(guān)系網(wǎng)絡(luò)劃分成若干個用戶社區(qū)：（3a）將每個用戶比作一個節(jié)點，獲得用戶網(wǎng)絡(luò)的節(jié)點數(shù)n，隨機生成Pop=50個初始個體，將每個個體用從1到n的一種隨機排列表示為AP，即：AP＝{v1,...vi,...vn本文檔來自技高網(wǎng)...

【技術(shù)保護點】
一種基于網(wǎng)絡(luò)社區(qū)的協(xié)同過濾推薦方法，包括如下步驟：（1）獲取用戶對待推薦項目的評分信息，通過用戶對待推薦項目的評分?jǐn)?shù)據(jù)間接生成用戶與用戶之間的關(guān)系網(wǎng)絡(luò)，其中任意兩個用戶共同評分的項目個數(shù)表示這兩個用戶之間的權(quán)值關(guān)系，這些用戶之間的權(quán)值關(guān)系構(gòu)成用戶與用戶的關(guān)系網(wǎng)絡(luò)，用戶對項目的評分信息用矩陣R(m,n)表示為：R(m,n)=r11,r12...,r1j...,r1n......ri1,ri2...,rij...,rin......rm1,rm2...,rmj...,rmn,]]>其中m和n分別表示用戶數(shù)和項目數(shù)，rij表示矩陣中第i行第j列的元素用戶i對項目j的評分值；（2）通過用戶之間的關(guān)系網(wǎng)絡(luò)，計算任意兩個用戶u和v之間的相似度s(u,v)；（3）將獲得的用戶與用戶的關(guān)系網(wǎng)絡(luò)劃分成若干個用戶社區(qū)：（3a）將每個用戶比作一個節(jié)點，獲得用戶網(wǎng)絡(luò)的節(jié)點數(shù)n，隨機生成Pop=50個初始個體，將每個個體用從1到n的一種隨機排列表示為AP，即：AP＝{v1,...vi,...vn}，其中vi表示第i個節(jié)點，i∈[1,n]；（3b）設(shè)AC表示社區(qū)集合，對每個個體的隨機排列進行解碼：（3b1）設(shè)解碼的最初時刻AC為空集合，即集合中社區(qū)的數(shù)量m為0，將隨機排列AP的初始節(jié)點v1加入到一個新的空社區(qū)Cm+1中，并將此社區(qū)加入到社區(qū)集合AC中，此時m=m+1；（3b2）定義T(Cj)表示第j個社區(qū)Cj的質(zhì)量函數(shù)T(Cj)=SinCjSinCj+SoutCj,]]>其中表示第j個社區(qū)Cj的內(nèi)部節(jié)點相似度之和，表示第j個社區(qū)Cj內(nèi)部節(jié)點與外部節(jié)點相似度之和；（3b3）將隨機排列AP中的節(jié)點從第二個節(jié)點v2開始，依次判斷是否加入到社區(qū)C1,…Cj,...,Cm中：計算社區(qū)C1的質(zhì)量函數(shù)值T(C1)和v2加入社區(qū)C1后的值T(C1∪v2)，當(dāng)滿足T(C1∪v2)>T(C1)時，將節(jié)點v2加入到社區(qū)C1中并跳到下一個節(jié)點v3，否則判斷節(jié)點v2是否加入到社區(qū)C2中，當(dāng)滿足T(C2∪v2)>T(C2)時，將節(jié)點v2加入到社區(qū)C2中并跳到下一個節(jié)點v3，否則判斷節(jié)點v2是否加入到社區(qū)C3中，以此類推，直到節(jié)點v2加入到對應(yīng)的社區(qū)中并跳到下一個節(jié)點v3；如果節(jié)點v2不能加入到AC的任意一個社區(qū)，則將節(jié)點v2加入到一個新的空社區(qū)Cm+1中并將此社區(qū)加入到社區(qū)集合AC中，跳到下一個節(jié)點v3，此時m=m+1；根據(jù)上述規(guī)則將所有節(jié)點都劃分到對應(yīng)社區(qū)中，即將AP解碼為AC={C1,…Cj,...,Cm}；（3c）生成新的個體的隨機排列AP′：（3c1）定義用于評價每個個體社區(qū)劃分好壞的適應(yīng)度函數(shù)fun(AC)為：fun(AC)=Σj=1mT(Cj)/m,]]>其中T(Cj)表示第j個社區(qū)Cj的質(zhì)量函數(shù)，m表示社區(qū)的數(shù)量；（3c2）按照適應(yīng)度函數(shù)公式計算出每個個體的適應(yīng)度函數(shù)值，選擇出適應(yīng)度函數(shù)值大小排名前10%的個體保留，其余90%的個體再隨機生成新的個體的隨機排列AP′；（3d）獲得用戶關(guān)系網(wǎng)絡(luò)的最終社區(qū)劃分：（3d1）對生成的新的排列個體AP′，采用步驟（3b）的方式解碼，并計算解碼后的個體的適應(yīng)度值；（3d2）將之前保留的10%個個體與新生成的個體重新放到一起，挑選出適應(yīng)度值最大的前10%個個體，將其余90%的個體再重新生成新的排列個體；（3d3）循環(huán)步驟（3d1）和（3d2）共10次，在最后一次循環(huán)后選出適應(yīng)度函數(shù)值最高的個體，并將其對應(yīng)的社區(qū)集合作為最后的社區(qū)劃分集合：ACu={Cu1,…Cuj,…,Cum}，其中m表示社區(qū)個數(shù)，Cuj表示第j個社區(qū)；（4）將用戶關(guān)系網(wǎng)絡(luò)劃分為社區(qū)后，對用戶未評分的項目進行預(yù)測評分，得到未評分項目的評分預(yù)測值；（5）將評分預(yù)測值中最大的項目推薦給用戶。...

【技術(shù)特征摘要】
1.一種基于網(wǎng)絡(luò)社區(qū)的協(xié)同過濾推薦方法，包括如下步驟：
（1）獲取用戶對待推薦項目的評分信息，通過用戶對待推薦項目的評分?jǐn)?shù)據(jù)間接生
成用戶與用戶之間的關(guān)系網(wǎng)絡(luò)，其中任意兩個用戶共同評分的項目個數(shù)表示這兩個用戶
之間的權(quán)值關(guān)系，這些用戶之間的權(quán)值關(guān)系構(gòu)成用戶與用戶的關(guān)系網(wǎng)絡(luò)，用戶對項目的
評分信息用矩陣R(m,n)表示為：
R(m,n)=r11,r12...,r1j...,r1n......ri1,ri2...,rij...,rin......rm1,r...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：劉靜，焦李成，劉辰龍，馬文萍，馬晶晶，李陽陽，朱虎明，
申請(專利權(quán))人：西安電子科技大學(xué)，
類型：發(fā)明
國別省市：陜西;61